Detail předmětu
Neuronové sítě, adaptivní a optimální filtrace
QB4 Ak. rok 2017/2018 letní semestr
Předmět se v prvé části zabývá přehledem typů architektur neuronových sítí a podrobnou analýzou jejich vlastností. Součástí tohoto rozboru je využití neuronových sítí ve zpracování a rozpoznávání signálů a obrazů. Ve druhé části je předmět věnován teorii optimální detekce a restaurace signálu v klasické i zobecněné podobě, se zdůraznění společného základu této oblasti. Předmět upozorňuje na společná hlediska v oblasti neuronových sítí a v oblasti optimalizovaného zpracování signálu.
Okruhy otázek k SDZ
- Architektury a funkce neuronových sítí, řízené a neřízené učení, zobecňování znalostí
- Dopředné sítě, vícevrstvý perceptron, učení zpětným šířením chyby jako LMS problém
- Sítě s radiální bází
- Sitě se vzájemnými a zpětnými vazbami, Hopfieldovy sítě a Boltzmannův stroj
- Samoorganizující se systémy, Kohonenovy mapy
- Problém optimální detekce a restaurace signálů, modely zkreslení, dekonvoluce a nelin. filtrace
- Restaurace jako LMS problém, formulace a přístupy k řešení
- Klasická Wienerova filtrace, diskrétní Wiener-Levinsonova filtrace
- Kalmanova filtrace
- Adaptivní filtace, adaptační algoritmy
Garant předmětu
Jazyk výuky
Zakončení
Bodové hodnocení
- 100 bodů závěrečná zkouška
Zajišťuje ústav
Získané dovednosti, znalosti a kompetence z předmětu
Teoretické znalosti z oblasti neuronových sítí a optimálního zpracování signálů, schopnost aplikace a příp. modifikace těchto metod pro konkrétní problémy.
Cíle předmětu
Získání znalostí z teorie neuronových sítí a teorie adaptivní a optimální filtrace, hledání společných hledisek obou oblastí
Požadované prerekvizitní znalosti a dovednosti
teorie signálu a systému, císlicové zpracování signálu (napr. predmety BCZA, MMZS)
Osnova seminářů
Výuka předmětu bude pouze formou samostudia doporučené literatury s ústni zkouškou na konci semestru (podrobné informace o látce a konkrétní literatuře budou zaslány přihlášeným studentům emailem).
- Architektury a klasifikace neuronových sítí. Neuron jako procesor a klasifikátor, metody tréninku, nenaučitelné problémy
- Dopředné sítě, jednoduchý a vícevrstvý perceptron. Učení - zpětné šíření chyby jako iterativní minimalizace střední kvadratické odchylky
- Řízené a neřízené učení. Zobecňování znalostí a optimální stupeň tréninku
- Sítě s vzájemnými vazbami. Hopfieldovy sítě, chování, stavový diagram, atraktory, učení. Sítě se skrytými uzly
- Využití relaxační minimalizace "energie" pro optimalizační úlohy, využití sítě jako asociativní paměti. Stochastický neuron a simulované žíhání, Boltzmannův stroj
- Rekursivní a Jordanovy sítě. Soutěživé učení
- Kohonenovy mapy, asociativní učení, automatická lokální organizace, zjemnění klasifikace
- Možnosti neuronových sítí jako signálových procesorů a analyzátorů, praktické aplikace ve zpracování a restauraci signálů a obrazů
- Optimální detekce a restaurace signálu - přístupy. Nelineární "přizpůsobené" filtry
- Model zkreslení, LMS-filtrace, diskretní Wienerův filtr v nestacionárním prostředí
- Kálmánova filtrace ve skalární verzi, vektorové zobecnění ve stacionárním a nestacionárním prostředí
- Adaptivní filtrace, adaptační algoritmy, rekursivní realizace adaptivní filtrace, filtrace metodou stochastického gradientu
- Typické aplikace adaptivní filtrace. Srovnání konceptů optimální a adaptivní filtrace s neuronově orientovaným přístupem
Průběžná kontrola studia
Hodnocení studia je založeno na bodovacím systému. Pro úspěšné absolvování předmětu je nutno dosáhnout 50 bodů.
Kontrolovaná výuka
Výuka není kontrolována.
Zařazení předmětu ve studijních plánech